Python爬虫常见问题

(4) 用Selenium可简单突破，并且网站随便该都无所谓。唯一遗憾的是，Selenium的运行效率较差。但是，作为一个能用js加密来保护数据的网站，单价的运行效率应该足以满足网站的访问频率限制。这时候，更多的思考是如何增加资源（IP、账号）来提高抓取效率。

---

第二个问题、多线程、协程，多进程的选择

（1）爬虫是IO密集型任务，大部分时间花在网络访问上，所以多进程不适合网络爬虫，而多线程、异步IO协程更适合，而异步IO是最适合的，它相比多线程，协程间的切换代价更小，我们提倡使用异步IO而非多线程。异步IO的模块主要是：aysncio, aiohttp, aiomysql 等。

（2）网页爬下来后从中提取想要的数据是CPU密集型的，这时候可以用多进程并发提取。

（3）我们推荐的爬虫策略是，爬虫只管爬，把爬下来的html保存起来，存到数据库。然后单独写提取数据的提取器，单独运行提取器。好处是，提取不影响爬取，爬的效率更高，并且提取程序可以随时修改，有新的提取需求时不需要重新抓取。比如，最初写爬虫时只想提取网页中的两项数据，运行一段时间后，发现另外3项数据也很有用，如果保存了html，只需改改提取器重新跑一遍就好了。

---

第三个问题、如果想要保留加粗或者图片原始位置，只能通过挖掘规律再写正则表达式来针对性处理吗？

网页数据提取主要两种方法：正则表达式，xpath。通过xpath可以获得某个html标签节点。比如，一篇blog网页，它的主体内容都在某个标签里面，可能是某个div。用xpath得到这个div，转换为html，就是包含了格式及其图片的部分，你保存这段html代码而非纯文本就好了。

---

第四个问题、爬虫的增量爬取、断点续爬、去重等

（1）通过网址池的概念去管理所有的URL

（2）增量爬取就是不重复下载已经下载过的，让网址池记住那些已经下载过的URL；

（3）断点续爬，就是上次还没有爬取的URL这次接着爬，还是让网址池记住那些还没被爬取的URL

（4）爬虫的去重，让网址池记录URL的状态以避免重复爬取。

---

第五个问题、爬虫的部署问题，在公司是不是分布式爬虫系统比较多会涉及部署问题

爬虫的部署，不一定是分布式的。大规模的爬虫，突破了目标网站限制的爬虫才会涉及到分布式，分布式的好处是抓取速度提高，但是管理会比较复杂。

---

第六个问题、网页的自动解析？这个话题就包含很多子任务了： 怎么自动抽取文章的内容，如何处理各种各样的时间格式，怎样处理翻页

（1）文章内容的提取，基本的是每种网页建立一个提取模板（正则表达式），好处是提取精准，坏处是工作量大，一旦稍微改版就失败。通过算法建立单一提取程序，基本上都可以提取，但是可能会有写杂质，比如文末的相关阅读。好处是，一劳永逸，不受改版限制。

（2）时间的提取，除了正则表达式之外似乎没有特别有效的方法。

（3）翻页的话，如果只是抓取，把该页的url提取出来继续抓；如何在提取内容时要把多页内容合并成一个网页，那就要特别处理。

---

第七个问题、爬新闻类的网站时，如何做好同一新闻，各网站相互转载，爬取时文本去重

比较著名的算法是，Google的simhash，但具体实践中比较复杂。网传百度的做法是把文章的最长一句话（或多句）做hash，这个hash值就是文章的唯一性代表（指纹），这个方法准确率很高，但是召回率比较低，一旦这最长的几句话改一个字就不能召回；我改进了该方法，对n句最长的话分别做hash，一个文章由n个指纹（如图人的是个指头指纹都不一样）确定唯一性。准确率和召回率都还不错。

---

第八个问题、异步爬虫的设计

（1）一个好的URL管理策略，见猿人学上的网址池相关文章；

网址池是一个“生产者-消费者”模型，爬虫从中取出url去下载，下载的html中提取新的url放入池中，告诉url池刚才拿出的url是否下载成功；再从池中取出url进行下载。。。url池是核心部件，它记录url的不同状态：

（a）下载成功

（b）下载失败n次

（c）正在下载